时间序列报告

时间序列分析报告数据来源（居民消费水平）19781931979194.46922391980199.83347211981202.94494241982204.15224911983207.81334781984212.38509921985244.10774411986259.51940851987280.48780491988340.1144311989403.8134151990412.43697481991425.87346551992455.30393331993526.76537591994651.92802061995760.16068051996824.92080251997852.05314011998853.62065621999848.8872265867.9148936865.720524856.9421023867.6289169895.977922.2307989945.2393119971.4590965997.6918235987.42921151029.1152781085.92359数据分析对序列进行做时序图，成果如图：居民消费水平时序图显示该序列含有明显的线性趋势，故非平稳，显然该序列不是平稳序列。对原序列进行一阶差分运算，考虑做一阶差分，成果如图：由图可知，序列没有明显的不平稳性，认为一阶差分后的序列平稳，做平稳性检查，自有关图、偏自有关图以及纯随机检查成果如图：由上图所知对序列的白噪声检查成果能够看出，在0.05的明显性水平下，由于延迟6阶，12阶的检查统计量的P值不大于0.05，认为一阶差分后的序列为平稳非白噪声序列，研究故意义。观察样本自有关系数图发现：样本自有关系数在滞后一期就落入两倍原则差以内，认为自有关系数截尾，截尾阶数为1，因此，考虑选择MA(1)模型对序列进行拟合，我们观察偏自有关系数也1阶截尾，因此，也能够考虑选择AR(1)模型对其拟合模型的建立与模型的检查模型的优化：通过对模型识别的成果，拟定对该数据集建立的最优模型，如图：由图能够看出，在自有关延迟阶数不大于等于5，移动平均延迟阶数也不大于等于5的全部ARMA(p,q)模型中，BIC信息量相对最小的是AR(1)模型参数预计：对AR(1)模型进行参数预计，输出成果以下：能够看出全部被预计参数检查p值都不大于0.05，认为两个未知参数明显通过拟合优度统计量表能够看出有关统计量，这些统计量能够协助比较该模型和其它模型的优劣。其中“ConstantEstimate”表达的为均值项MU和自回归参数的函数；“VarianceEstimate”表达残差序列的方差；“StdErrorEstimate”代表方差预计值的平方根；AIC和SBC函数值的大小分别为305.8807和308.8737；“NumbersofResiduals”表达的是残差个数，本例残差个数为33个。通过参数预计值的有关系数表能够协助我们理解参数有关性可能影响成果的程度。从该表能够发现，任何两参数预计值的有关性都不高。通过残差序列检查值表来检查残差序列与否为白噪声序列，从而检查模型的明显性。由表能够看出延迟6、12、18和24期的P值都明显不不大于0.05，认为残差序列为非白噪声序列，并认为模型拟合良好。输出的是拟合模型的具体形式。其中，均值的预计值为24.46698；在本图下一部分显示的是自有关因子。得到的模型体现式以下：或将其记为：模型的预测：由图能够看到由代码：forecastlead=3id=timeout=out;语句输出3期的预测值，其将来3期预测值分别为：46.5207，39.5055，34.7219本文将原序列图、序列拟合图、预测值95%置信下限和上限图画在一起，成果如图：结论本文通过差分工具对拟定性信息进行提取，产生一种平稳序列，通过白噪声检查后，再用ARIMA模型进行拟合，成功建立的效果极佳的模型：运用该模型预测将来3期，其预测值分别为：46.5207，39.5055，34.7219数据来源（外商投资，万美元）1978231979541980861981102198214619831821984252198516341986185319872337198829571989518119904844199191621992293981993103271199411444919951257751996151997150345199813180219991532621612662211623160025449366681287722718889351036576100729499397411001751166601数据分析对序列进行做时序图，成果如图：外商投资时序图显示该序列含有明显的线性趋势，故非平稳，显然该序列不是平稳序列。对原序列进行一阶差分运算，考虑做一阶差分，成果如图：由图可知，序列没有明显的不平稳性，认为一阶差分后的序列平稳，做平稳性检查，自有关图、偏自有关图以及纯随机检查成果如图：由上图所知对序列的白噪声检查成果能够看出，在0.05的明显性水平下，由于延迟6阶，12阶的检查统计量的P值不大于0.05，认为一阶差分后的序列为平稳非白噪声序列，研究故意义。观察样本自有关系数图发现：样本自有关系数在滞后一期就落入两倍原则差以内，认为自有关系数截尾，截尾阶数为1，因此，考虑选择MA(1)模型对序列进行拟合，我们观察偏自有关系数也1阶截尾，因此，也能够考虑选择AR(1)模型对其拟合模型的建立及模型的检查模型的识别优化：由图能够看出，在自有关延迟阶数不大于等于5，移动平均延迟阶数也不大于等于5的全部ARMA(p,q)模型中，BIC信息量相对最小的是AR(1)模型输入代码为：procarimadata=a;identifyvar=difnlag=12minicp=(0:5)q=(0:5);run;模型参数的预计：通过拟合优度统计量表能够看出有关统计量，这些统计量能够协助比较该模型和其它模型的优劣。其中“ConstantEstimate”表达的为均值项MU和自回归参数的函数；“VarianceEstimate”表达残差序列的方差；“StdErrorEstimate”代表方差预计值的平方根；AIC和SBC函数值的大小分别为808.0379和811.0309；“NumbersofResiduals”表达的是残差个数，本例残差个数为33个。通过参数预计值的有关系数表能够协助我们理解参数有关性可能影响成果的程度。从该表能够发现，任何两参数预计值的有关性都不高。通过残差序列检查值表来检查残差序列与否为白噪声序列，从而检查模型的明显性。由表能够看出延迟6、12、18和24期的P值都明显不不大于0.05，认为残差序列为非白噪声序列，并认为模型拟合良好。图中输出的是拟合模型的具体形式。其中，均值的预计值为33465.4；在本图下一部分显示的是自有关因子。得到的模型体现式以下：或将其记为：模型的预测：由图能够看到由代码：forecastlead=3id=timeout=out;语句输出3期的预测值，其将来3期预测值分别为：52444.0672，44393.2892，39757.6622本文将原序列图、序列拟合图、预测值95%置信下限和上限图画在一起，成果如图：结论本文通过差分工具对拟定性信息进行提取，产生一种平稳序列，通过白噪声检查后，再用ARIMA模型进行拟合，成功建立的效果极佳的模型：运用该模型预测将来3期，其预测值分别为：52444.0672，44393.2892，39757.6622政策建议（一）．扩大内需特别是消费需求要增进经济平稳较快发展。扩大内需特别是消费需求，不停优化投资构造。着力扩大消费需求。大力调节收入分派格局，增加中低收入者收入，提高居民消费能力。完善激励居民消费政策。大力发展社会化养老、家政、物业、医疗保健等服务业。（二）．保持物价总水平基本稳定保持物价总水平基本稳定，是关系群众利益和经济社会发展全局的重点工作。要在有效实施宏观经济政策、管好货币信贷总量、增进社会总供求基本平衡的基础上，搞好价风格控，避免物价反弹。要增加生产、保障供应。要搞活流通、减少成本。调节完善部分农产品批发、零售增值税政策，推动流通原则化、信息化建设。附录：SAS指令：居民消费水平X4数据时序图dataa;inputyearx4;time=intnx('year','1jan1978'd,_n_-1);formattimeyear4.;cards; 1978 1931979 194.46922391980 199.83347211981 202.94494241982 204207.81334781984 212.38509921985 244.10774411986 259.51940851987 280.48780491988 340.1144311989 403.8134151990 412.43697481991 425.87346551992 455.30393331993 526.76537591994 651.92802061995 760.16068051996 824.92080251997 852.05314011998 853.62065621999 848.8872265 867.9148936 865.720524 856.9421023 867.6289169 895.977 922.2307989 945.2393119 971.4590965 997.6918235 987.4292115 1029.115278 1085.92359;run;procgplotdata=a;plotx4*time;symbolv=stari=joinc=red;run;一阶差分dataa;inputyearx4;time=intnx('year','1jan1978'd,_n_-1);formattimeyear4.;dif=dif(x4);cards;1978 1931979 194.46922391980 199.83347211981 202.94494241982 204207.81334781984 212.38509921985 244.10774411986 259.51940851987 280.48780491988 340.1144311989 403.8134151990 412.43697481991 425.87346551992 455.30393331993 526.76537591994 651.92802061995 760.16068051996 824.92080251997 852.05314011998 853.62065621999 848.8872265 867.9148936 865.720524 856.9421023 867.6289169 895.977 922.2307989 945.2393119 971.4590965 997.6918235 987.4292115 1029.115278 1085.92359;run;procgplotdata=a;plotdif*time;symbolv=stari=joinc=red;run;一阶差分后平稳性检查procarimadata=a;identifyvar=difnlag=12;run;建立最优模型procarimadata=a;identifyvar=difnlag=12minicp=(0:5)q=(0:5);run;参数预计estimatep=1;run;模型的预测forecastlead=3id=timeout=out;run;拟合图procprintdata=out;procgplot;plotdif*time=2forecast*time=3(l95u95)*time=4/overlay;symbol2c=blacki=nonev=star;symbol3c=redi=joinv=none;symbol4c=greeni=joinv=nonel=3w=1;run;外商投资X5数据时序图dataa;inputyearx5;time=intnx('year','1jan1978'd,_n_-1);formattimeyear4.;cards; 1978 231979 541980 861981 1021982 1461983 1821984 2521985 16341986 18531987 23371988 29571989 51811990 48441991 91621992 293981993 1032711994 1144491995 1257751996 151997 1503451998 1318021999 153262 161266 221162 316002 544936 668128 772271 888935 1036576 1007294 993974 1100175 1166601;run;procgplotdata=a;plotx5*time;symbolv=stari=joinc=red;run;一阶差分dataa;inputyearx5;time=intnx('year','1jan1978'd,_n_-1);formattimeyear4.;dif=dif(x5);cards;1978 231979 541980 861981 1021982 1461983 1821984 2521985 16341986 18531987 23371988 29571989 51811990 48441991 91621992 2939